结合局部与全局结构的自监督图级表示学习

基于摘要分析。本文研究无监督／自监督整图表示学习，应用背景包括药物与材料发现中的分子性质预测。作者提出 Local-instance and Global-semantic Learning（GraphLoG），在保留不同图实例间局部相似性的同时，引入层次化原型捕捉整个数据集的全局语义簇。 机制上，GraphLoG 将局部实例关系与全局语义结构纳入统一框架，并使用在线期望最大化（EM）算法学习模型。这里的“局部”指图实例之间的相似性结构，不应直接等同于单张图中的邻域连接。摘要未提供图编码器、原型层级构造、具体损失或 EM 更新细节，这些内容尚未验证。 评估采用在大量无标签图上预训练、再对下游任务微调的流程。作者报告，该方法在化学与生物学基准数据集上表现有效；摘要未给出数据集名称、划分协议、对照方法与具体指标，实验协议、消融及统计信息尚未验证，因此无法据此判断增益幅度或适用边界。 平台推测（待验证）：若将 EEG 时间窗构造成通道关系图，可检验“局部相似性加全局语义原型”是否有助于整图表示学习。该假设依赖有意义的图构造、足量无标签样本，以及图相似性与下游任务语义的一致性；原型学习思路可能复用，但 EEG 图构造和相似性定义需改造。低信噪比、通道配置差异及被试差异可能使原型聚合设备或个体特征，而非任务信息，小数据也可能使层次原型不稳定。一个可证伪的小实验是：在相同编码器、预训练数据和微调预算下，对比仅局部学习与加入层次原型的版本，按被试隔离评估 Cross-subject 表现，并核对原型与被试身份的关联。相关 EEG 工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。